在 polars 中，对 dataframe 按固定行数（如每 n 行）进行滑动或分段聚合，最简洁、高效且符合惯用法的方式是结合 `with_row_index()` 与 `group_by_dynamic()`，并显式将索引列转为有符号整型（如 `int32`）。
当需要将大型 DataFrame（例如百万级行、多列）按连续 n 行（如 n = 100）划分为非重叠段并执行聚合（如均值、求和、统计量等）时，group_by_dynamic(index_column=…, every=”ni”) 是 Polars 官方推荐且性能最优的方案——它专为基于索引/时间的动态分组设计，底层高度优化，支持并行执行，远优于手动切片或 group_by(pl.int_range().floor_div(n)) 等替代写法。
你最初的实现逻辑正确，但可进一步简化与健壮化。推荐写法如下：
import polars as pl df = pl.DataFrame({"a": [1, 1, 3, 8, 62, 535, 4213], "b": [10, 20, 30, 40, 50, 60, 70]}) n = 3 result = ( df .with_row_index() # 自动添加 'index' 列（UInt32 类型） .group_by_dynamic( index_column=pl.col("index").cast(pl.Int32), # 必须转为有符号整型 every=f"{n}i", # "3i" 表示每 3 行一组（i = Integer） period=f"{n}i", # 可选：若需重叠窗口，设 period < every closed="left" # 默认行为：[0,3), [3,6), ... ) .agg( pl.col("a").mean().alias("a_mean"), pl.col("b").sum().alias("b_sum"), pl.col("a").count().alias("n_rows") # 验证每组实际行数（末组可能不足 n 行） ) ) print(result)✅ 关键要点说明：
- with_row_index() 比 with_columns(index=pl.int_range(...)) 更简洁、语义更清晰，且避免手写长度计算；
- group_by_dynamic 要求 index_column 为有符号整型（Int32 或 Int64），因此必须 .cast(pl.Int32)；
- "ni" 中的 i 表示 integer（整数步长），区别于时间单位（如 "3h"），这是对行索引分组的正确语法；
- 若数据量极大（如 10**6 行），该方案仍保持 O(N) 时间复杂度与良好内存局部性，无显式 python 循环或副本开销；
- 注意：末组可能不足 n 行（如 7 行分 3 行一组 → 三组：[0–2], [3–5], [6]），closed="left" 确保行为可预测；如需严格丢弃不完整组，可在后续用 Filter(pl.col("n_rows") == n)。
⚠️ 不推荐的替代方式（性能或可维护性较差）：
- df.group_by(pl.int_range(0, pl.len()).floor_div(n))：虽可行，但 int_range + floor_div 构造键列效率略低，且语义不如 group_by_dynamic 直观；
- 手动切片循环（for i in range(0, len(df), n): ...）：完全违背 Polars 向量化原则，性能急剧下降；
- 使用 rolling：适用于重叠窗口（如移动平均），而非非重叠分段聚合。
综上，你已走在正确的路上——只需将 with_columns(...int_range...) 升级为 with_row_index() 并补上类型转换，便是 Polars 社区公认的惯用、高效、可扩展的最佳实践。